ЧЕМУ ВЫ НАУЧИТЕСЬ [?] 1 Освоите основные направления рекомендательных систем 2 Поймёте, как тестировать рекомендательные системы 3 Разберётесь в их метриках 4 Узнаете о подводных камнях и способах борьбы с ними 5 Научитесь строить эффективные системы 6 Построите реальную рекомендательную систему, которая учитывает фидбек от пользователя ПРОГРАММА > СЕГОДНЯ РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ ВСТРЕЧАЮТСЯ ВО МНОГИХ ПРИЛОЖЕНИЯХ, ГДЕ ЕСТЬ ПОИСК И ПЕРСОНАЛИЗАЦИЯ. Мы разберёмся, как построить свою рекомендательную систему, используя все возможные знания о пользователях и объектах рекомендации. На практике научимся использовать алгоритмы контентной фильтрации, матричной факторизации, обучим глубокие сети и модели ранжирования. А потом — рассмотрим проблемы, которые могут возникать в проде. МОДУЛЬ 1: ВВЕДЕНИЕ В РЕКОМЕДАТЕЛЬНЫЕ СИСТЕМЫ Рассмотрим, кем и для чего применяются рекомендательные системы. Разберёмся, что такое явная и неявная реакция. Узнаем, зачем нужна двухуровневая система сбора кандидатов и ранжирования Построим самые базовые алгоритмы, которые будут выступать в качестве бейзлайна. Также рассмотрим работу рекомендаций на основе содержания рекомендуемых предметов. МОДУЛЬ 2: КОЛЛАБОРАТИВНАЯ ФИЛЬТРАЦИЯ Разберёмся, как применять информацию о предпочтениях пользователей в сервисе для построения рекомендаций. Затем построим простую систему, используя классический KNN алгоритм и оценим качество на офлайн метриках Разберём задачу факторизации матрицы рейтингов от svd разложения до более эффективной als архитектуры и функции ошибок bpr. Узнаем, что такое факторизационные машины и как их применять Разберёмся, как использовать последовательность взаимодействий пользователя для построения рекомендации следующего предмета. Научимся применить W2V подход в рекомендательных системах МОДУЛЬ 3: МЕТОДЫ ГЛУБОКОГО ОБУЧЕНИЯ Рассмотрим применение глубоких архитектур для рекомендательных систем, их плюсы и минусы. Также разберём подход ранжирования с помощью глубоких сетей и сгенерированных признаков Рассмотрим задачу рекомендаций в парадигме графовых нейросетей, разберем GCN-подобные архитектуры, их плюсы и минусы МОДУЛЬ 4: РАНЖИРОВАНИЕ И РЕКОМЕНДАЦИИ В ПРОДЕ Узнаем, как применять простой алгоритм бандитов для холодного старта. Также рассмотрим другие алгоритмы из области обучения с подкреплением и обсудим, в каких задачах он улучшает качество рекомендаций Вспомним задачу ранжирования, соберём датасет и сгенерируем признаки, по которым можно обучить модель для задачи ранжирования Рассмотрим специфичные метрики рекомендаций, которые могут сильно влиять на опыт пользователя при взаимодействии с сервисом. Обсудим инфраструктуру для построения эффективной системы
